論文の概要: Detecting Content Rating Violations in Android Applications: A Vision-Language Approach
- arxiv url: http://arxiv.org/abs/2502.15739v1
- Date: Fri, 07 Feb 2025 06:21:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-02 03:22:56.870610
- Title: Detecting Content Rating Violations in Android Applications: A Vision-Language Approach
- Title（参考訳）: Androidアプリケーションにおけるコンテンツレーティング違反の検出:ビジョンランゲージアプローチ
- Authors: D. Denipitiyage, B. Silva, S. Seneviratne, A. Seneviratne, S. Chawla,
- Abstract要約: 我々は,モバイルゲームアプリケーションのコンテンツレーティングを予測し,コンテンツレーティング違反を検出するビジョンアプローチを提案し,評価する。
提案手法は,マルチモーダル環境での最先端のCLIP微調整モデルと比較して6%の精度で精度が向上する。
クラシファイアを適用して、'Teacher Approved'バッジの9例を含む、70件以上のコンテンツレーティング違反の可能性のあるケースを検出しました。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Despite regulatory efforts to establish reliable content-rating guidelines for mobile apps, the process of assigning content ratings in the Google Play Store remains self-regulated by the app developers. There is no straightforward method of verifying developer-assigned content ratings manually due to the overwhelming scale or automatically due to the challenging problem of interpreting textual and visual data and correlating them with content ratings. We propose and evaluate a visionlanguage approach to predict the content ratings of mobile game applications and detect content rating violations, using a dataset of metadata of popular Android games. Our method achieves ~6% better relative accuracy compared to the state-of-the-art CLIP-fine-tuned model in a multi-modal setting. Applying our classifier in the wild, we detected more than 70 possible cases of content rating violations, including nine instances with the 'Teacher Approved' badge. Additionally, our findings indicate that 34.5% of the apps identified by our classifier as violating content ratings were removed from the Play Store. In contrast, the removal rate for correctly classified apps was only 27%. This discrepancy highlights the practical effectiveness of our classifier in identifying apps that are likely to be removed based on user complaints.
- Abstract（参考訳）: モバイルアプリの信頼性の高いコンテンツレーティングガイドラインを確立するための規制努力にもかかわらず、Google Play Storeでコンテンツレーティングを割り当てるプロセスは、アプリ開発者によって自己規制されている。
テキストや視覚的なデータを解釈し、それらをコンテンツ評価と関連付けるという難しい問題のために、開発者の指定したコンテンツ評価を手動で検証する方法は存在しない。
一般的なAndroidゲームのメタデータのデータセットを用いて,モバイルゲームアプリケーションのコンテンツレーティングを予測し,コンテンツレーティング違反を検出するための視覚言語アプローチを提案し,評価する。
提案手法は,マルチモーダル環境での最先端のCLIP-fine-tunedモデルと比較して,相対精度が約6%向上する。
クラシファイアを適用して、'Teacher Approved'バッジの9例を含む、70件以上のコンテンツレーティング違反の可能性のあるケースを検出しました。
さらに、私たちの調査によると、分類器によって分類されたアプリの34.5%が、コンテンツ格付けを侵害しているとしてPlay Storeから削除された。
一方、正しく分類されたアプリの削除率はわずか27%だった。
この不一致は、ユーザの苦情に基づいて削除される可能性のあるアプリを特定する上で、分類器の実用的有効性を強調します。
関連論文リスト
- Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。
我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
論文 参考訳（メタデータ） (2024-01-16T03:43:33Z) - Revisiting Android App Categorization [5.805764439228492]
そこで本研究では,既存のAndroidアプリのカテゴリ化アプローチを,新たな基盤構造データセットを用いて包括的に評価する。
本稿では,記述に基づく手法とAPKに基づく手法の両方において,既存の手法の性能を効果的に上回る2つの革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-10-11T08:25:34Z) - Neural Embeddings for Web Testing [49.66745368789056]
既存のクローラは、状態等価性を評価するために、アプリ固有のしきい値ベースのアルゴリズムに依存している。
ニューラルネットワークの埋め込みとしきい値のない分類器に基づく新しい抽象関数WEBEMBEDを提案する。
WEBEMBEDは,9つのWebアプリケーションに対する評価の結果,近距離検出により最先端技術よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2023-06-12T19:59:36Z) - Verifying the Robustness of Automatic Credibility Assessment [50.55687778699995]
入力テキストにおける意味保存的変化がモデルを誤解させる可能性があることを示す。
また、誤情報検出タスクにおける被害者モデルと攻撃方法の両方をテストするベンチマークであるBODEGAについても紹介する。
我々の実験結果によると、現代の大規模言語モデルは、以前のより小さなソリューションよりも攻撃に対して脆弱であることが多い。
論文 参考訳（メタデータ） (2023-03-14T16:11:47Z) - Content Rating Classification for Fan Fiction [35.539218522504605]
ファンフィクションのコンテンツ評価は、自主的または規制によって行われる。
問題は、ファンフィクションのテキストを使って、適切なコンテンツ評価を決定することだ。
本稿では,コンテンツ評価を自動的に判定する自然言語処理手法を提案する。
論文 参考訳（メタデータ） (2022-12-23T17:40:03Z) - Integrating Rankings into Quantized Scores in Peer Review [61.27794774537103]
ピアレビューでは、レビュアーは通常、論文のスコアを提供するように求められます。
この問題を軽減するため、カンファレンスはレビュアーにレビューした論文のランキングを付加するように求め始めている。
このランキング情報を使用するための標準的な手順はなく、エリアチェアは異なる方法でそれを使用することができる。
我々は、ランキング情報をスコアに組み込むために、原則化されたアプローチを取る。
論文 参考訳（メタデータ） (2022-04-05T19:39:13Z) - Erasing Labor with Labor: Dark Patterns and Lockstep Behaviors on Google
Play [13.658284581863839]
Google Playのポリシーは、アプリの配置を操作するためのインセンティブ付きインストール、評価、レビューの使用を禁止している。
社会技術レンズによるインストールインセンティブアプリについて検討し、レビューとパーミッションの混合メソッド分析を行う。
私たちのデータセットには、60以上のアプリから5ヶ月以上にわたって収集された319万のレビューが含まれています。
インストールインセンティブのアプリに対する不正なレビューの証拠を見つけ、それに続いて、アプリとレビュアーの動的二部グラフのエッジストリームとしてモデル化します。
論文 参考訳（メタデータ） (2022-02-09T16:54:27Z) - Android Malware Detection using Feature Ranking of Permissions [0.0]
当社はAndroidのパーミッションを車として使用し、良性アプリとマルウェアアプリを迅速かつ効果的に区別できるようにしています。
解析の結果,本手法は,他の手法よりも精度が高く,Fスコア値も高いことがわかった。
論文 参考訳（メタデータ） (2022-01-20T22:08:20Z) - Instance-Conditional Knowledge Distillation for Object Detection [59.56780046291835]
所望の知識を求めるために,インスタンス条件蒸留フレームワークを提案する。
我々は、観測されたインスタンスを条件情報として使用し、検索プロセスをインスタンス条件の復号プロセスとして定式化する。
論文 参考訳（メタデータ） (2021-10-25T08:23:29Z) - Revisiting Mahalanobis Distance for Transformer-Based Out-of-Domain
Detection [60.88952532574564]
本稿では,ドメイン外インテント検出手法を徹底的に比較する。
意図分類のための3つの標準データセット上で,複数のコンテキストエンコーダとメソッドを効率良く評価する。
本研究の主目的は,超微調整トランスフォーマーを用いたドメイン内データエンコーダが優れた結果をもたらすことである。
論文 参考訳（メタデータ） (2021-01-11T09:10:58Z) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳（メタデータ） (2020-06-11T16:15:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。